【炼丹侠】精品项目推荐-人脸检测识别模型dface

最新推荐文章于 2024-08-14 22:29:49 发布

炼丹侠

最新推荐文章于 2024-08-14 22:29:49 发布

阅读量98

点赞数

文章标签：人工智能

本文链接：https://blog.csdn.net/yanggeerr/article/details/134114302

版权

简介

DFace 是个开源的深度学习人脸检测和人脸识别系统。所有功能都采用　pytorch　框架开发。pytorch是一个由facebook开发的深度学习框架，它包含了一些比较有趣的高级特性，例如自动求导，动态构图等。DFace天然的继承了这些优点，使得它的训练过程可以更加简单方便，并且实现的代码可以更加清晰易懂。 DFace可以利用CUDA来支持GPU加速模式。我们建议尝试linux GPU这种模式，它几乎可以实现实时的效果。所有的灵感都来源于学术界最近的一些研究成果，例如　Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks 和 FaceNet: A Unified Embedding for Face Recognition and Clustering

MTCNN结构如下：

安装

DFace主要有两大模块，人脸检测和人脸识别。项目提供所有模型训练和运行的详细步骤。首先需要构建一个pytorch和cv2的python环境，推荐使用Anaconda来设置一个独立的虚拟环境。如果使用GPU训练模式，需要安装Nvidia的cuda和cudnn。 目前作者倾向于Linux Ubuntu安装环境

依赖

cuda 8.0
anaconda
pytorch
torchvision
cv2
matplotlib

git clone https://gitee.com/kuaikuaikim/dface.git

在这里提供了一个anaconda的环境依赖文件environment.yml （windows请用environment-win64.yml,Mac OSX请用environment_osx.yaml），它能方便你构建自己的虚拟环境。

cd dface

conda env create -f environment.yml

添加python搜索模块路径

export PYTHONPATH=$PYTHONPATH:{your local DFace root path}

MTCNN主要有三个网络，叫做PNet, RNet 和 ONet。因此我们的训练过程也需要分三步先后进行。为了更好的实现效果，当前被训练的网络都将依赖于上一个训练好的网络来生成数据。所有的人脸数据集都来自　WIDER FACE 和 CelebA。WIDER FACE仅提供了大量的人脸边框定位数据，而CelebA包含了人脸关键点定位数据。以下训练除了　生成ONet的人脸关键点训练数据和标注文件　该步骤使用CelebA数据集，其他一律使用WIDER FACE。如果使用wider face的 wider_face_train.mat 注解文件需要转换成txt格式的，我这里用h5py写了个转换脚本. 这里提供一个已经转换好的wider face注解文件 anno_store/wider_origin_anno.txt, 以下训练过程参数名--anno_file默认就是使用该转换好的注解文件。

创建 dface 训练数据临时目录，对应于以下所有的参数名　--dface_traindata_store
mkdir {your dface traindata folder}
生成PNet训练数据和标注文件
python dface/prepare_data/gen_Pnet_train_data.py --prefix_path {注解文件中图片的目录前缀,就是wider face图片所在目录} --dface_traindata_store {之前创建的dface训练数据临时目录} --anno_file {wider face 注解文件,可以不填，默认使用anno_store/wider_origin_anno.txt}

乱序合并标注文件
python dface/prepare_data/assemble_pnet_imglist.py

训练PNet模型
python dface/train_net/train_p_net.py
生成ＲNet训练数据和标注文件
python dface/prepare_data/gen_Rnet_train_data.py --prefix_path {注解文件中图片的目录前缀，就是wider face图片所在目录} --dface_traindata_store {之前创建的dface训练数据临时目录} --anno_file {wider face 注解文件,可以不填，默认使用anno_store/wider_origin_anno.txt} --pmodel_file {之前训练的Pnet模型文件}
乱序合并标注文件
python dface/prepare_data/assemble_rnet_imglist.py
训练RNet模型
python dface/train_net/train_r_net.py
生成ONet训练数据和标注文件
python dface/prepare_data/gen_Onet_train_data.py --prefix_path {注解文件中图片的目录前缀，就是wider face图片所在目录} --dface_traindata_store {之前创建的dface训练数据临时目录} --anno_file {wider face 注解文件,可以不填，默认使用anno_store/wider_origin_anno.txt} --pmodel_file {之前训练的Pnet模型文件} --rmodel_file {之前训练的Rnet模型文件}
生成ONet的人脸五官关键点训练数据和标注文件
python dface/prepare_data/gen_landmark_48.py
乱序合并标注文件(包括人脸五官关键点)
python dface/prepare_data/assemble_onet_imglist.py
训练ONet模型
python dface/train_net/train_o_net.py